परिचय
बायोटेक्नोलॉजी और आर्टिफिशियल इंटेलिजेंस (AI) के क्षेत्र में एक महत्वपूर्ण विकास के तहत, Shift Bioscience और उसके सहयोगियों ने वर्चुअल सेल मॉडल की सटीकता परखने के लिए एक नया कैलिब्रेशन फ्रेमवर्क पेश किया है। Nature Biotechnology में प्रकाशित इस अध्ययन में एक पॉजिटिव-कंट्रोल बेसलाइन और एक ऐसा फ्रेमवर्क सामने रखा गया है जो यह जांचता है कि क्या मूल्यांकन मीट्रिक्स सार्थक मॉडल भविष्यवाणियों को कम उपयोगी भविष्यवाणियों से अलग कर सकते हैं। इस शोध पत्र का शीर्षक ‘Deep Learning Perturbation Models Can Outperform Baselines on Calibrated Metrics’ है।
जेनेटिक पर्टुबेशन मॉडल और उनकी चुनौतियाँ
जेनेटिक पर्टुबेशन मॉडल, AI virtual cell models का एक हिस्सा हैं जो यह भविष्यवाणी करते हैं कि जीन सक्रियण या अवरोध किसी सेल के ट्रांसक्रिप्टोम को कैसे बदलता है। शोधकर्ताओं ने एक ‘इंटरपोलेटेड डुप्लीकेट’ पॉजिटिव कंट्रोल विकसित किया, जो औसत पर्टुबेशन प्रोफाइल को एक स्वतंत्र तकनीकी डुप्लीकेट के साथ मिलाता है, और हर जीन को साक्ष्य की ताकत के आधार पर वजन देता है।
इसके अलावा, उन्होंने डायनेमिक रेंज फ्रैक्शन (DRF) की शुरुआत की ताकि यह मापा जा सके कि कोई मीट्रिक्स पॉजिटिव कंट्रोल को नेगेटिव कंट्रोल से कितनी प्रभावी ढंग से अलग करता है। 14 जेनेटिक पर्टुबेशन डेटासेट और 18 मूल्यांकन मीट्रिक्स पर किए गए परीक्षणों से पता चला कि मीन स्क्वायर्ड एरर और कंट्रोल-रेफरेंस्ड पियर्सन सहसंबंध जैसे उपाय अक्सर खराब कैलिब्रेटेड थे, खासकर कमजोर पर्टुबेशन वाले डेटासेट में।
प्रमुख लाभ और बेहतर मीट्रिक्स
अध्ययन के अनुसार, भारित और रैंक-आधारित मीट्रिक्स—जिन्हें WMSE, weighted RΔ2, और normalized inverse rank (NIR) कहा जाता है—ने विभिन्न डेटासेट में उच्च कैलिब्रेशन दिखाया। इन बेहतर कैलिब्रेटेड उपायों का उपयोग करते हुए, शोधकर्ताओं ने अनदेखे सिंगल-जीन पर्टुबेशन और अनदेखे जीन संयोजनों पर नौ डीप लर्निंग मॉडल का मूल्यांकन किया।
परिणामों से संकेत मिलता है कि scGPT और GEARS जैसे शुरुआती मॉडल, और PRESAGE तथा scLambda जैसे नए सिस्टम, डेटासेट और मीट्रिक्स के आधार पर मजबूत प्रदर्शन दिखाते हैं। उदाहरण के लिए, Norman19 डेटासेट में, ट्रेनिंग डेटा ने संभावित जीन संयोजनों के 0.63% को कवर किया, जिससे एक साधारण एडिटिव बेसलाइन को हराना कठिन हो गया। वहीं, Wessels23 में, जो 10.3% संयोजनों को कवर करता था, कई मॉडल एडिटिव बेसलाइन से आगे निकल गए।
व्यापार और तकनीक प्रभाव
कैंब्रिज, यूके स्थित बायोटेक्नोलॉजी कंपनी Shift Bioscience इस फ्रेमवर्क को बड़े पैमाने पर इन विट्रो और इन सिलिको स्क्रीन में लागू करने की योजना बना रही है, जिसमें शुरुआत में फाइब्रोसिस पर ध्यान केंद्रित करने वाले इनहिबशन टारगेट शामिल हैं।
AI virtual cell models इस बात की संभावना प्रदान करते हैं कि एक ही स्केलिंग कानून लागू होंगे, और उन्हें जैविक डेटा तथा कंप्यूट की बढ़ती मात्रा प्रदान करने से वास्तविक दुनिया के प्रायोगिक परिणामों की उनकी भविष्यवाणी में सुधार होगा। सही डेटासेट और अच्छी तरह से कैलिब्रेटेड मीट्रिक्स का उपयोग करके, ये मॉडल जैविक रूप से सार्थक अंतर्दृष्टि उत्पन्न कर सकते हैं।
जोखिम, सीमाएं और आगे क्या देखें
इस तकनीक में कुछ अनिश्चितताएं भी मौजूद हैं। डीप लर्निंग सिस्टम लगातार बेसलाइन से बेहतर प्रदर्शन करते हैं या नहीं, यह काफी हद तक डेटासेट के डिजाइन और चुने गए मूल्यांकन मीट्रिक्स पर निर्भर करता है, क्योंकि विभिन्न प्रणालियों और परीक्षणों में परिणाम भिन्न थे। भविष्य में यह देखना महत्वपूर्ण होगा कि इन मॉडलों को और अधिक जैविक डेटा मिलने पर उनकी सटीकता किस स्तर तक पहुँचती है।